Компьютерные науки > Искусственный интеллект [представлен 9 сентября 2026 года] Заголовок: "Когда проверка останавливается на обучении: приём обновления для постоянных нетрудоспособных агентов Взгляд PDF HTML (экспериментальный) резюме: Независимая оценка может отклонять вредные изменения политики, но в то же время препятствовать полезному непрерывному обучению. Мы утверждаем, что обновление допуска должно оцениваться с помощью как контроля ошибок, так и сохранения возможностей обучения в рамках объявленного бюджета взаимодействия. Мы идентифицируем конкретный провал: " Пути доверия на основе диапазонов не могут сертифицировать неизменное старое поведение в рамках других существенных бюджетов. Стандартное комбинированное строительство уменьшает это бремя в тех случаях, когда разногласия по результатам являются редкими. Мы также определяем сертифицированное продвижение по службе с исторической референцностью и метрическую оценку упущенных возможностей в круглой перспективе. В одноэтапной диагностике с 32 семенами, свежие парные проверки позволяют получить 31,6% общего потока обновления по 2 000 эпизодов на каждую стадию против нуля для дальности; однако безусловные повторные игры учатся лучше в закрытых пробежках. Отдельные тесты на стресс-выученные-динамики проводят различие между отклонением модели и ошибкой отбора обратной связи. Этот вклад представляет собой протокол приема-аудиторской проверки, содержащий аналитические и синтетические данные; проверка результатов…
Когда проверка останавливает обучение: проверка обновления доступа для постоянных нетрудоспособных агентов
arXiv: 2609.10873v1 Annualte Type: New Habstrate: Independent Evaluation может отклонить вредные изменения политики, но в то же время предотвратить полезное непрерывное обучение. Мы утверждаем, что обновление допуска должно оцениваться с помощью как контроля ошибок, так и сохранения возможностей обучения в рамках объявленного бюджета взаимодействия. Мы идентифицируем конкретный провал: " Пути доверия на основе диапазонов не могут сертифицировать неизменное старое поведение в рамках других существенных бюджетов. Стандартное комбинированное строительство уменьшает это бремя в тех случаях, когда разногласия по результатам являются редкими. Мы также определяем сертифицированное продвижение по службе с исторической референцностью и метрическую оценку упущенных возможностей в круглой перспективе. В одноэтапной диагностике с 32 семенами, свежие парные проверки позволяют получить 31,6% общего потока обновления по 2 000 эпизодов на каждую стадию против нуля для дальности; однако безусловные повторные игры учатся лучше в закрытых пробежках. Отдельные тесты на стресс-выученные-динамики проводят различие между отклонением модели и ошибкой отбора обратной связи. Взнос
